日程 › Agent 开发实践 › 纪要
驾驭未来：智能体软件的起源和演进
金句 · 一句话抓重点
验证比生成便宜——只要正确率不为 0，可验证加多轮迭代，就能把弱模型逼向正确。
📊 信息图 · 一图读懂
音频围绕开源、智能体软件及相关标准展开，探讨了智能体软件带来的机遇与挑战，分析了 Harness 加模型的发展路径，提出建立标准组织和平台的设想
模型权重问题：模型有效权重可能不到 50%，可修剪大量权重，这是蒸馏的基础，小模型可蒸馏出大模型能力
①
智能体软件带来的机遇与挑战
软件发展的新时代
②
智能体软件的应用场景
终端发展场景
③
Harness 加模型的发展路径
大模型的问题与挑战
④
建立平台与标准的设想
美国的情况
⑤
后续工作计划
探讨合作路径：与社区进一步探讨 Harness 加模型的发展路径，落实在
智能纪要
音频围绕开源、智能体软件及相关标准展开，探讨了智能体软件带来的机遇与挑战，分析了 Harness 加模型的发展路径，提出建立标准组织和平台的设想，内容如下：
- 智能体软件带来的机遇与挑战
- 软件发展的新时代
- 智能体改变软件物种：随着智能体加入，软件进入新时代，与传统软件有本质区别。传统软件是指令驱动、确定性的，需基于需求开发，缺乏环境适应性和容错性，而智能体软件无明确目标，可基于意图自主规划和行动，能自我学习进化。
- 软件发展的历史与未来：从全球首位程序员阿达·拉芙蕾丝开始，软件开发历经变迁，如今全球约有 3000 万以软件工程为职业的人。未来软件将泛化，可能实现自然交互，如科幻电影中少用键盘鼠标，更多采用语音交互。
- 竞争格局与社区发展
- 基金会与标准制定：Linux Foundation 成立了 AI 基金会，致力于制定标准。未来社区形式值得探讨，是人的社区还是 agent 的社区，以及 agent 社区的样子、Linux 是否开放等问题受关注。
- 传统软件与智能体的差异：传统软件人驱动迭代，而智能体软件自主性强，能自我学习和进化，这为行业带来新的竞争策略和发展方向。
- 智能体软件的应用场景
- 终端发展场景
- APP 形态的变革：当前安卓生态有三四百万 APP，制约了发展。未来 APP 可能变成个性化暂态，模型输出模态可能改变，能直接写 APP，实现千人千面，用户可按需创造功能。
- 无 APP 手机项目：有项目计划推出无 APP 手机，仅暴露 API 给智能体，通过语音输入，让用户控制智能体产生 APP，去除开发者、SDK 和应用商店等。
- 工业场景
- 工业软件的需求：工业软件需确定性和可靠性，也需容错性，以应对复杂环境。如宇宙飞船上的软件，需智能体进行净化、愈合和自修复，产生未预设的技能。
- AI 在工业软件的应用：AI 已进入自我设计和进化的正向循环，如 Elon Musk 用仿真技术做企业软件，OpenAI 用 12 个月流片成功一款推理芯片。
- Harness 加模型的发展路径
- 大模型的问题与挑战
- 时空衰减特性：Transformer 模型有内生性的时空衰减特性，注意力非线性，远信息关注少，时间反馈误差会积累，导致大规模内存短缺和算力资源倾斜。
- 模型权重问题：模型有效权重可能不到 50%，可修剪大量权重，这是蒸馏的基础，小模型可蒸馏出大模型能力。
- Harness 的优势与应用
- 资源优势：Harness 资源不缺，还可结合人的知识、洞察和指导，在解决问题上有优势。
- 解决模型问题：Harness 可通过存储换算力，回填信息，降低输出误差，通过验证和负反馈维度，纠正模型错误，提高输出质量。
- 降低复杂性与提升质量
- 验证比生成便宜：验证比生成成本低，如数学验证可靠，Rust 编译器输出大量错误信息，提高了语言生成质量。
- 弱模型提升方法：弱模型通过人类反馈和验证，可提高输出质量，只要概率不为 0，多轮迭代可生成正确结果。
- 降低软件复杂性：复杂软件不适合 agent 开发，可将其拆分为小应用，更适合 AI 处理。
- 建立平台与标准的设想
- 美国的情况
- AI 基金会：美国有 AI 基金会，融资规模大，一年会员收入达 1000 万美元，不接受中国做黄金会员，且在定义 MCP、agent MCP 等标准。
- 生态问题：如 Gemini 与安卓的开源可能失去意义，苹果也有其生态，若明年 AI Phone 推出，中国在移动领域缺乏可竞争平台。
- 建立标准组织和平台
- 对标 AI Phone 的标准组织：希望建立 open 组织，结合开源、社区和学术界力量，通过实践驱动，将理论在工业界验证，发表论文，参与联合国标准制定。
- agent 的 OS 平台：期望在 agent 的 OS 上形成类似 OpenCL 的现象级平台，作为未来 agentos 的内核，避免行业分化。
- 后续工作计划
- 探讨合作路径：与社区进一步探讨 Harness 加模型的发展路径，落实在平台、标准和开放生态方面的合作。
- 推动标准建立：积极推进对标 AI Phone 的标准组织建设，以及 agent 的 OS 平台的形成。
章节速览
01:24开源、智能体软件及行业标准相关探讨
本章节说话人1先解决下载网络问题，之后表示接下来进入环节，主要谈开源及相关标准。提到智能体软件带来机会与挑战，软件加智能体进入新时代。还探讨了不同竞争策略，如克劳德模型、哈尼斯与模型结合等。此外，关注Linux Foundation成立AI基金会做标准，以及未来社区形态、agent相关问题和Linux开放性等。
04:09传统软件与智能体对比及AI对软件的影响
本章节对比了传统软件和智能体的特点。传统软件是指令式、确定性的，基于需求开发，无环境适应性和容错性，靠人驱动迭代。而智能体无明确目标和意图，能基于意图自主规划和行动，可自我学习、进化反馈，这是传统软件所不具备的。最后还提出疑问，未来是否AI会取代软件。
05:11软件发展历程、未来趋势及AI智能体展望
本章节探讨了软件发展相关话题。从全球首位程序员阿达·拉芙蕾丝说起，提到如今全球有3000万软件工程从业者，未来软件将泛化，可能实现语音自然交互。还指出资源便宜时使用规模会变大，智能体类似人类使用工具，软件会成为AI可迭代的工具，目前处于较粗任务级别，未来目标是自我演化和增强。
08:00未来终端发展：APP个性化及无APP手机设想
本章节指出有两个与业务相关的关键场景，其中一个对未来终端发展有较大甚至颠覆性影响。当前安卓生态 APP 数量多制约发展，未来 APP 可能成个性化暂态，模型或能写 APP，实现千人千面。还提到有个无 APP 的手机项目，将 API 暴露给智能体，靠语音输入让用户自行创造 APP，希望与社区合作让 AI 产生 APP。
10:22工业软件需求及智能体裁剪要点探讨
本章节围绕工业软件展开，以人类探索宇宙飞船为例，指出当前飞船远程控制方式难以应对大量不确定性。强调工业软件有两个极端需求，既要求确定性、可靠性，又要有容错性，能进行净化、愈合和自修复。还提到可采用类似 Linux 的通用 agent 针对工业场景裁剪，但需满足上述不同需求。
12:24AI自我进化循环，芯片及软件开发进展显著
本章节指出AI已进入自我设计、自我适应、可进化的正向循环。提到Elon Musk的Microhard公司对标Microsoft，用仿真和做风架技术、巨大算力迭代做企业软件；OpenAI在12个月内做出流片成功的推理芯片，由AI打造。AI能为自己造芯片、训练模型再造新芯片，前景激动又不确定。
13:36AI发展算力短缺，harness或成解决方案
本章节指出发展面临算力短缺问题，难以按AI或anthropic方式发展。Transformer有内生性时空衰减特性，大规模内存短缺。提出harness可能是机会，可通过存储换算力，弥补模型规模缺陷。还指出注意力产生高质量输出，误差会累积，模型有效权重可能不到50%，小模型可蒸馏大模型能力。
17:13开源模型迭代优势及harness与模型结合思路
本章节主要讨论模型发展相关问题。指出开源对模型知识扩散重要，开源模型迭代和知识分享更快，模型差距会逐步缩小。美国发展模型投入高资本，而我国可将harness与模型结合，利用已验证技术，同时要解决大模型时空失效问题，通过回填信息、验证、负反馈等纠偏，认为这条思路可行。
20:38降低软件复杂性及Loop工程验证原则探讨
本章节讨论了降低复杂性的规律，如验证比生成便宜，Rust 编译器输出大量错误信息提升生成质量；弱模型输出质量差异源于人类反馈，可通过验证提高正确结果概率。还指出软件不应过于复杂，可拆分小应用。loop engineering 要将更多内容置于可验证区域，提及模型重复已知内容价值有限，这是原则性问题。
23:09人类资源优势及与工程化结合的可能性
本章节强调人的优势，指出工程师不会失业，作为最终判定的兜底人员必不可少。顶级专家在应对未接触过的任务，如鸿蒙开发时，模型学习需要人类大量辅助，要精英开发者提供库。本地化、文化、合规等问题不能靠模型解决，需人类价值判断，认为人跟工程化结合在某些方面是有可能的。
24:32探讨AI领域标准组织、平台构建及发展路径
本章节主要围绕美国AI现状及国内应对策略展开。美国有融资大的基金会定义相关标准，生态上Gemini与安卓、苹果情况特殊，若明年AI Phone推出，中国无移动领域可抗衡平台。提出建立对标AI Phone的标准组织，结合开源、社区和学术界力量；在agent OS上形成类似OpenCL的平台。还指出智能化软件是趋势，希望在平台、标准和开放生态上共同讨论。
🤖 模型解读 · 要点点评AI 生成的第三方点评 · 由大模型 Claude（Opus 4.8）依据本场智能纪要撰写，非主办方 / 演讲者观点，可能有误，仅供参考
陈岳是全天最具「路线图」野心的一场：从软件物种之变，到 Harness + 模型的技术路径（用存储换算力、用验证纠偏），再到对标 AI Phone 的标准组织设想。核心论点很犀利——在算力受限的现实下，中国不该硬拼「更大模型」，而应在 Harness（工程框架）上做文章，因为「验证比生成便宜」。
要点智能体软件是新物种：传统软件指令驱动 / 确定性，智能体基于意图自主规划、能自我学习进化。
点评物种论的修辞很有感染力，但要警惕滑向「智能体掌控一切」——彭鑫已明确反驳。更稳妥的理解是：智能体是确定性底座之上的一层自主能力，而非取代确定性本身。
要点Harness + 模型路径：Transformer 有「时空衰减」、有效权重可能不到 50%，可用存储换算力、用验证与负反馈纠偏。
点评全天最具战略想象力的技术判断。在算力被卡的约束下，「把智能从参数搬到工程框架（harness）里」是一条扬长避短的路，也与 Claude Code 等「harness-native」实践暗合。理论尚需更扎实的证据，但方向极具价值。
要点验证比生成便宜：Rust 编译器的海量报错反而提升了生成质量；弱模型靠多轮验证也能逼近正确。
点评这是 harness 路线的理论基石，也是全天的「金句级」原理。它把「模型不够强」从绝境变成可工程化的问题——只要正确率不为 0，可验证 + 多轮迭代就能放大它。极具操作性。
要点对标 AI Phone 建「open 组织」，在 agent OS 上做出类似 OpenCL 的现象级平台。
点评野心与风险并存。「现象级开源平台」不是规划出来的，而是长出来的（Linux、K8s 皆然）。标准组织能搭台，但能否唱戏取决于有没有真正好用的内核项目——这也是 OAIC 全盘的命门。
现场幻灯片 · 22 张
📷 参会者现场拍摄的演讲幻灯片 · 点击放大翻看（支持 ← → ↑ ↓ 键、滑动、自动播放 ▶）。为保护隐私，画面中的人脸已自动打码；按拍摄归集，个别可能串场。
本场涉及 · 知识库
以上为飞书妙记 AI 自动生成的纪要与章节摘要，可能存在识别误差，仅供参考。